PREDICCIÓN DE LA HUMEDAD RELATIVA MEDIANTE MODELOS UNIVARIADOS: UNA COMPARACIÓN ENTRE BILS™ Y EL MODELO HÍBRIDO ROLLING VMD-BILS™.

Resumen

Este artículo buscó comparar el rendimiento de la predicción univariada de la humedad relativa del aire utilizando un modelo de aprendizaje profundo BiLSTM tradicional en contraposición a un modelo híbrido Rolling VMD-BiLSTM. La metodología empleada se basó en el uso de datos meteorológicos diarios de ocho municipios de Paraná, Brasil (2007 a 2023). Se aplicó la codificación cíclica para tratar la estacionalidad y el framework Optuna para la optimización de los hiperparámetros. El gran diferencial metodológico fue la aplicación de la Descomposición de Modo Variacional en ventana deslizante (Rolling VMD), procesando la serie temporal de forma iterativa para mitigar la fuga de datos (data leakage), garantizando un escenario predictivo realista. Los principales resultados encontrados evidenciaron la superioridad del enfoque híbrido, que redujo el error RMSE en un 14,63% y aumentó la varianza explicada ( ) en un 32,35% en relación con el modelo base. Además, el modelo híbrido mitigó el desfase temporal y la subestimación de extremos climáticos observadas en la red pura. Se concluye que el acoplamiento del algoritmo Rolling VMD a la red BiLSTM constituye una alternativa algorítmica rigurosa y fidedigna, previniendo sesgos de anticipación y ofreciendo un soporte robusto para sistemas de monitoreo continuo y emisión de alertas meteorológicas.